Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ResearchRabbit is a scholarly publication discovery tool supported by artificial intelligence (AI).It was developed in 2021 by a team of three in Seattle [1].This tool lets users discover publications related to one or more seed publications with the help of visualization maps and lists of earlier, later, and similar publications.ResearchRabbit is designed to support the workflow of unstructured searching while providing a left-to-right trail from the original publication(s) through any selected authors or publications.These trails, which can run as deep as rabbit holes, suggest the origin of the tool's name.To start using ResearchRabbit, users first need to create an account.Then they need to create a collection and add at least one publication.The more publications that are added, the better ResearchRabbit can understand users' interests and generate recommendations similar to the contents of the collection.Publications can be added either by uploading a RIS or BibTeX file or by using ResearchRabbit's search, powered by PubMed, if users are searching the medical sciences, or Semantic Scholar, for any other subject area.While ResearchRabbit uses PubMed's and Semantic Scholar's search engines, the company claims its unique database of "100s of millions of academic articles" is second in size only to Google Scholar [2].Once publications are in a collection, ResearchRabbit's algorithm will begin generating recommendations.These recommendations can be explored through two modes: 1) by Papers that are Similar work, Earlier work, or Later work or 2) by People that provide additional publications that These authors or Suggested authors have published (Figure 1).These recommendations are depicted using visualization maps.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,098 | 0,182 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,004 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle